open-llm-leaderboard-old/details_ALBADDAWI__DeepCode-7B-Aurora-v3

该数据集是在评估模型ALBADDAWI/DeepCode-7B-Aurora-v3时自动创建的，评估是在Open LLM Leaderboard上进行的。数据集由63个配置组成，每个配置对应一个评估任务。数据集是从1次运行中创建的，每次运行可以在每个配置中找到，分割名称使用运行的时间戳。train分割始终指向最新的结果。此外，还有一个名为results的配置，存储了所有运行的聚合结果，并用于计算和显示Open LLM Leaderboard上的聚合指标。

原始信息汇总

数据集概述

数据集简介

该数据集是在对模型 ALBADDAWI/DeepCode-7B-Aurora-v3 进行评估运行期间自动创建的，用于 Open LLM Leaderboard。

数据集结构

• 配置数量：63个配置，每个配置对应一个评估任务。
• 运行次数：数据集从1次运行中创建。每个运行在每个配置中作为一个特定的分割存在，分割名称使用运行的时间戳。
• 训练分割："train" 分割始终指向最新的结果。
• 结果配置："results" 配置存储所有运行的聚合结果，用于计算和显示 Open LLM Leaderboard 上的聚合指标。

数据加载示例

python from datasets import load_dataset data = load_dataset("open-llm-leaderboard/details_ALBADDAWI__DeepCode-7B-Aurora-v3", "harness_winogrande_5", split="train")

最新结果

以下是 2024-04-11T05:19:07.214398 运行的最新结果：

python { "all": { "acc": 0.5681495136207636, "acc_stderr": 0.03451590964955344, "acc_norm": 0.5751358564434681, "acc_norm_stderr": 0.03524650761892643, "mc1": 0.29498164014687883, "mc1_stderr": 0.015964400965589667, "mc2": 0.4065312575872176, "mc2_stderr": 0.01505222686802986 }, "harness|arc:challenge|25": { "acc": 0.5179180887372014, "acc_stderr": 0.014602005585490973, "acc_norm": 0.5460750853242321, "acc_norm_stderr": 0.01454922110517187 }, "harness|hellaswag|10": { "acc": 0.5433180641306513, "acc_stderr": 0.00497101994272659, "acc_norm": 0.7202748456482773, "acc_norm_stderr": 0.004479467619464795 }, "harness|hendrycksTest-abstract_algebra|5": { "acc": 0.36, "acc_stderr": 0.04824181513244218, "acc_norm": 0.36, "acc_norm_stderr": 0.04824181513244218 }, "harness|hendrycksTest-anatomy|5": { "acc": 0.4074074074074074, "acc_stderr": 0.04244633238353227, "acc_norm": 0.4074074074074074, "acc_norm_stderr": 0.04244633238353227 }, "harness|hendrycksTest-astronomy|5": { "acc": 0.6447368421052632, "acc_stderr": 0.03894734487013317, "acc_norm": 0.6447368421052632, "acc_norm_stderr": 0.03894734487013317 }, "harness|hendrycksTest-business_ethics|5": { "acc": 0.54, "acc_stderr": 0.05009082659620332, "acc_norm": 0.54, "acc_norm_stderr": 0.05009082659620332 }, "harness|hendrycksTest-clinical_knowledge|5": { "acc": 0.569811320754717, "acc_stderr": 0.030471445867183235, "acc_norm": 0.569811320754717, "acc_norm_stderr": 0.030471445867183235 }, "harness|hendrycksTest-college_biology|5": { "acc": 0.5902777777777778, "acc_stderr": 0.04112490974670787, "acc_norm": 0.5902777777777778, "acc_norm_stderr": 0.04112490974670787 }, "harness|hendrycksTest-college_chemistry|5": { "acc": 0.53, "acc_stderr": 0.05016135580465919, "acc_norm": 0.53, "acc_norm_stderr": 0.05016135580465919 }, "harness|hendrycksTest-college_computer_science|5": { "acc": 0.46, "acc_stderr": 0.05009082659620332, "acc_norm": 0.46, "acc_norm_stderr": 0.05009082659620332 }, "harness|hendrycksTest-college_mathematics|5": { "acc": 0.46, "acc_stderr": 0.05009082659620332, "acc_norm": 0.46, "acc_norm_stderr": 0.05009082659620332 }, "harness|hendrycksTest-college_medicine|5": { "acc": 0.5606936416184971, "acc_stderr": 0.037842719328874674, "acc_norm": 0.5606936416184971, "acc_norm_stderr": 0.037842719328874674 }, "harness|hendrycksTest-college_physics|5": { "acc": 0.43137254901960786, "acc_stderr": 0.04928099597287533, "acc_norm": 0.43137254901960786, "acc_norm_stderr": 0.04928099597287533 }, "harness|hendrycksTest-computer_security|5": { "acc": 0.65, "acc_stderr": 0.047937248544110196, "acc_norm": 0.65, "acc_norm_stderr": 0.047937248544110196 }, "harness|hendrycksTest-conceptual_physics|5": { "acc": 0.6468085106382979, "acc_stderr": 0.031245325202761926, "acc_norm": 0.6468085106382979, "acc_norm_stderr": 0.031245325202761926 }, "harness|hendrycksTest-econometrics|5": { "acc": 0.49122807017543857, "acc_stderr": 0.04702880432049615, "acc_norm": 0.49122807017543857, "acc_norm_stderr": 0.04702880432049615 }, "harness|hendrycksTest-electrical_engineering|5": { "acc": 0.6344827586206897, "acc_stderr": 0.04013124195424386, "acc_norm": 0.6344827586206897, "acc_norm_stderr": 0.04013124195424386 }, "harness|hendrycksTest-elementary_mathematics|5": { "acc": 0.5846560846560847, "acc_stderr": 0.025379524910778387, "acc_norm": 0.5846560846560847, "acc_norm_stderr": 0.025379524910778387 }, "harness|hendrycksTest-formal_logic|5": { "acc": 0.5396825396825397, "acc_stderr": 0.04458029125470973, "acc_norm": 0.5396825396825397, "acc_norm_stderr": 0.04458029125470973 }, "harness|hendrycksTest-global_facts|5": { "acc": 0.36, "acc_stderr": 0.048241815132442176, "acc_norm": 0.36, "acc_norm_stderr": 0.048241815132442176 }, "harness|hendrycksTest-high_school_biology|5": { "acc": 0.6483870967741936, "acc_stderr": 0.02716253782694846, "acc_norm": 0.6483870967741936, "acc_norm_stderr": 0.02716253782694846 }, "harness|hendrycksTest-high_school_chemistry|5": { "acc": 0.5467980295566502, "acc_stderr": 0.03502544650845872, "acc_norm": 0.5467980295566502, "acc_norm_stderr": 0.03502544650845872 }, "harness|hendrycksTest-high_school_computer_science|5": { "acc": 0.73, "acc_stderr": 0.044619604333847394, "acc_norm": 0.73, "acc_norm_stderr": 0.044619604333847394 }, "harness|hendrycksTest-high_school_european_history|5": { "acc": 0.6787878787878788, "acc_stderr": 0.0364620496325381, "acc_norm": 0.6787878787878788, "acc_norm_stderr": 0.0364620496325381 }, "harness|hendrycksTest-high_school_geography|5": { "acc": 0.6919191919191919, "acc_stderr": 0.03289477330098616, "acc_norm": 0.6919191919191919, "acc_norm_stderr": 0.03289477330098616 }, "harness|hendrycksTest-high_school_government_and_politics|5": { "acc": 0.6787564766839378, "acc_stderr": 0.033699508685490674, "acc_norm": 0.6787564766839378, "acc_norm_stderr": 0.033699508685490674 }, "harness|hendrycksTest-high_school_macroeconomics|5": { "acc": 0.5948717948717949, "acc_stderr": 0.024890471769938145, "acc_norm": 0.5948717948717949, "acc_norm_stderr": 0.024890471769938145 }, "harness|hendrycksTest-high_school_mathematics|5": { "acc": 0.42962962962962964, "acc_stderr": 0.030182099804387262, "acc_norm": 0.4296296

搜集汇总

数据集介绍

构建方式

该数据集是在Open LLM Leaderboard评估框架下，针对ALBADDAWI/DeepCode-7B-Aurora-v3模型自动生成的评估记录。其构建过程基于一次完整的评估运行，将模型在63个不同任务上的表现结果系统性地整理为对应的配置项。每个配置项对应一个评估任务，并以时间戳命名运行分片，确保每次评估的独立性。数据以Parquet格式存储，并通过“latest”分片指向最新结果，同时增设“results”配置用于汇总所有聚合指标，支撑排行榜的实时展示。

特点

数据集具有高度结构化和可追溯的特性。其核心亮点在于覆盖了多样化的自然语言理解与推理任务，包括ARC挑战、HellaSwag、GSM8K、Winogrande、TruthfulQA以及涵盖57个学科的MMLU基准测试。每个任务均记录准确率及其标准误差等细粒度指标，便于深入分析模型在不同领域的表现差异。此外，数据集通过分片机制保留历史评估痕迹，支持跨版本结果比对，为模型迭代提供可靠依据。

使用方法

用户可通过HuggingFace Datasets库便捷加载该数据集。例如，使用load_dataset函数指定数据集名称和目标任务配置（如harness_winogrande_5），并选择“train”分片即可获取最新评估详情。若需访问特定历史运行结果，可根据时间戳分片名称进行定向加载。对于聚合指标，可直接调用“results”配置以获取全局性能概览，从而高效地复现或扩展模型评估分析。

背景与挑战

背景概述

随着大语言模型在自然语言处理领域的迅猛发展，如何系统性地评估模型在多样化任务上的表现成为研究焦点。Open LLM Leaderboard项目由HuggingFace社区主导，旨在通过标准化基准对开源模型进行透明、可复现的性能评测。该数据集创建于2024年4月，围绕模型ALBADDAWI/DeepCode-7B-Aurora-v3在63个配置任务上的评估结果构建，涵盖ARC挑战赛、HellaSwag、GSM8K、TruthfulQA及涵盖57个学科的Hendrycks测试等核心基准。其核心研究问题在于揭示7B参数级别的代码增强模型在常识推理、数学求解、事实一致性及多学科知识上的综合能力，为社区提供模型选型与改进的量化依据。该数据集通过自动化的评测流水线生成，已成为开源大模型评估领域的重要参考，推动了模型性能对比的标准化进程。

当前挑战

该数据集所面临的挑战首先体现在领域问题的复杂性上：大语言模型需要在零样本或少样本条件下应对从物理常识到专业法律知识等跨度极大的任务，而模型在诸如道德场景（mc1仅0.295）与高等数学（0.43）上的低分表现揭示了其在深层推理与领域专精上的不足。构建过程中，挑战则集中于评测流程的标准化与可复现性：需统一63个异构任务的输入格式与评估指标，处理不同任务间采样策略（如5-shot与25-shot）的差异，并确保每次运行生成的Parquet文件与JSON结果一致关联。此外，模型版本迭代带来的结果追踪，以及多任务结果聚合时统计误差（如acc_stderr）的合理整合，也对数据集的持续维护提出了严苛要求。

常用场景

经典使用场景

该数据集作为Open LLM Leaderboard评估流程的产物，专门用于存储和呈现DeepCode-7B-Aurora-v3模型在63个不同任务上的细粒度评测结果。其经典使用场景在于为研究者提供一个标准化的基准测试接口，通过加载如winogrande、gsm8k等配置，能够精确复现模型在常识推理、数学求解、知识问答等维度的表现，进而支撑跨模型性能的横向对比与纵向追踪。

解决学术问题

该数据集有效解决了大语言模型评估中结果碎片化与不可复现的痼疾。通过将单次运行的评测数据以结构化方式归档，它使得学术社区能够追溯模型在ARC挑战集、HellaSwag、MMLU等广泛基准上的原始得分与统计误差，从而为模型能力的可信比较、消融实验的严谨验证以及训练策略的归因分析提供了坚实的数据基础，显著提升了评估流程的透明度与可重复性。

衍生相关工作

该数据集衍生了若干重要的学术与工程工作。基于其结构化评测记录，研究者得以开展模型能力变迁的时序分析，揭示不同训练阶段性能的饱和点与退化模式。同时，它直接支撑了Open LLM Leaderboard的排行榜构建，催生了针对特定任务（如代码生成、多语言理解）的细粒度榜单。此外，其数据格式与加载范式也被后续多个评估框架采纳，成为构建标准化评测数据管道的参考范本。